Última actualización: julio de 2026.
El schema markup ocupa ahora la intersección más ruidosa de la investigación en GEO. Tres estudios analizaron la misma pregunta, usaron métodos distintos y llegaron a tres conclusiones diferentes. Antes de invertir tiempo en un sprint de schema o de descartar los datos estructurados por completo, necesitas entender qué midió cada estudio.
Este artículo cubre los tipos de JSON-LD que más se observan en páginas citadas por IA, el mecanismo que hay detrás de cada uno y los tres datos contradictorios que encontrarás en cualquier conversación sobre schema en 2026.
Los 7 tipos de JSON-LD más asociados a las citas de IA
La tabla siguiente relaciona cada tipo de schema con el mecanismo de cita de IA que soporta y los motores donde investigadores y profesionales lo observan con mayor frecuencia. Es una vista de referencia, no una lista ordenada por efectividad.
| Tipo de schema | Qué señala a los motores de IA | Motores donde aparece más | Caso de uso principal |
|---|---|---|---|
| FAQPage | Pares de preguntas y respuestas estructurados que el motor puede extraer como respuesta directa sin parafrasear | Google AI Overviews, Google AI Mode | Páginas que responden múltiples preguntas relacionadas sobre un mismo tema |
| HowTo | Formato de instrucciones paso a paso que el motor puede reproducir como respuesta numerada | Google AI Overviews, Perplexity | Tutoriales, guías de proceso, contenido de tipo “cómo hacer” |
| Article / NewsArticle | Identidad del autor, fecha de publicación, tema y contexto editorial en un bloque analizable | ChatGPT (navegación), Perplexity, Google AI Overviews | Posts de blog, reportajes editoriales, explicaciones del sector |
| Product | Nombre, descripción, precio, disponibilidad y valoración agregada de un producto concreto | Google AI Overviews (intención comercial), Microsoft Copilot | Páginas de detalle de producto, páginas de comparación |
| Review / AggregateRating | Señales de credibilidad de terceros a través de valoraciones con estrellas y recuentos de reseñas | Google AI Overviews, Microsoft Copilot | Reseñas de productos, reseñas de servicios, páginas de comparación de software |
| BreadcrumbList | Contexto de jerarquía del sitio que ayuda a los motores a entender dónde se encuentra una página en relación con el dominio | Google AI Overviews, Gemini | Todos los tipos de página; refuerza las señales de autoridad temática |
| SpeakableSpecification | Marca pasajes concretos como optimizados para lectura por voz e IA, señalando qué frases contienen la respuesta principal | Google AI Overviews, asistentes de voz | Páginas de análisis en profundidad, contenido con respuesta al inicio |
Por qué el mecanismo importa más que el tipo de marcado
Los motores de IA no citan páginas porque tengan schema. Las citan porque el motor decidió que ese contenido responde mejor la consulta del usuario. El schema ayuda al motor a confirmar de qué trata una página y a extraer el fragmento relevante con más rapidez. Eso es una ayuda al análisis, no un impulso al ranking.
La implicación práctica: el schema ayuda más cuando el contenido que hay debajo ya es la mejor respuesta disponible a una pregunta concreta. El schema aplicado a contenido débil, genérico o mal estructurado no convierte ese contenido en una fuente citable.
El schema FAQPage funciona porque preformatea el contenido como una lista de preguntas y respuestas directas. Los sistemas de IA de Google pueden extraer pares de preguntas y respuestas individuales de un bloque FAQPage y mostrarlos en AI Overviews sin reescribir nada. Esa eficiencia de extracción es el mecanismo, no una preferencia especial por el contenido con FAQPage.
El schema HowTo funciona por el mismo principio: un formato numerado paso a paso permite al motor reproducir la secuencia de instrucciones en la respuesta generada. Cuanto más precisamente el marcado HowTo refleja la estructura en prosa de la página, más fácil es la extracción.
Los schemas Article y NewsArticle importan en contextos donde el motor necesita confirmar la credibilidad de la fuente: quién lo escribió, cuándo se publicó y qué organización lo produjo. Estas señales importan más para ChatGPT en modo de navegación y para Perplexity, ambos los cuales ponderan más la frescura y la atribución al autor que Google AI Overviews.
Los schemas Product y Review dominan en las AI Overviews de intención comercial porque los sistemas de IA de Google tratan esas páginas como candidatas para recomendaciones directas de productos. El bloque AggregateRating (puntuación con estrellas más recuento de reseñas) proporciona un atajo de credibilidad que el motor usa al generar respuestas comparativas.
Lo que dicen realmente los estudios
Tres datos definen el debate actual. Cada uno es real. Cada uno tiene limitaciones de alcance importantes. Aquí están, uno al lado del otro.
1. El estudio controlado de Ahrefs: sin incremento significativo (2026)
Ahrefs siguió 1.885 páginas que añadieron schema JSON-LD entre agosto de 2025 y marzo de 2026, comparándolas con 4.000 páginas de control. El resultado: añadir schema no produjo un incremento estadísticamente significativo en las citas de IA en Google AI Overviews, Google AI Mode ni ChatGPT.
Los números concretos: Google AI Overviews mostró un pequeño descenso (alrededor de -4,6%). Google AI Mode mostró +2,4%. ChatGPT mostró +2,2%. Ambas cifras positivas eran estadísticamente indistinguibles de cero.
La limitación de alcance clave: todas las páginas del conjunto de datos de Ahrefs ya tenían 100 o más citas en AI Overviews antes de que comenzara el experimento. El estudio no puede indicarte si el schema ayuda a páginas con cero citas. Te dice que añadir schema a páginas ya citadas no aumenta de forma fiable el volumen de citas.
Fuente: Ahrefs, “We Tracked 1885 Pages Adding Schema. AI Citations Didn’t Move.” Louise Linehan y Xibeijia Guan, mayo de 2026 (ahrefs.com/blog/schema-ai-citations/).
2. El preprint de Kumar y Palkhouski en arXiv: +39% de incremento (2025)
Un preprint de la UC Berkeley de Arlen Kumar y Leanid Palkhouski (arXiv:2509.10762, septiembre de 2025) auditó 1.100 URLs en 1.702 citas extraídas de Brave, Google AI Overviews y Perplexity. El estudio situó los datos estructurados como el tercer predictor más fuerte de probabilidad de cita, con una asociación del +39%.
Los dos predictores más fuertes en ese preprint: metadatos y frescura (+47%) y estructura HTML semántica (+42%).
La limitación de alcance clave: es un estudio de correlación, no un experimento controlado. Identifica los datos estructurados como una característica presente con más frecuencia en páginas citadas, no como una característica que causa incrementos de citas cuando se añade. Un estudio observacional y un estudio controlado de adición miden cosas distintas.
Fuente: Kumar y Palkhouski, “AI Answer Engine Citation Behavior: An Empirical Analysis of the GEO16 Framework,” arXiv:2509.10762, septiembre de 2025.
3. El experimento de Otterly.AI en todo el sitio: +1.500% en apariciones, seguido de una matización (2025-2026)
Tras desplegar cinco tipos de schema en su propio sitio web entre diciembre de 2025 y marzo de 2026, Otterly.AI registró un aumento del +1.500% en apariciones en Google AI Overviews en tres meses.
Su propia conclusión: el incremento no fue causado por el schema. Competidores que no realizaron cambios de schema vieron movimientos equivalentes en el mismo periodo. Otterly.AI atribuyó el aumento a un cambio algorítmico más amplio de Google, no al despliegue de schema. El aumento también fue específico de Google: las citas cayeron en ChatGPT, Gemini y Copilot durante la misma ventana de tiempo.
La métrica rastreada aquí fue las apariciones en las SERPs de AI Overviews, no las citas en el sentido tradicional. Esa distinción importa al comparar este resultado con el estudio de citas de Ahrefs.
Fuente: Otterly.AI, “Schema Markup’s Real Impact on AI Search” (otterly.ai/blog/schema-markup-real-impact-ai-search/). Thomas Peham también presentó estos hallazgos en BrightonSEO, abril de 2026.
Qué significa esto para tu estrategia de schema
La investigación no apoya abandonar el schema. Apoya ser preciso sobre qué se espera que haga el schema.
El schema como señal de base. Toda página que pueda aparecer en una AI Overview debería tener schema correctamente implementado para su tipo de contenido. La ausencia de schema es un punto de fricción que los motores de IA deben resolver. Esa fricción es innecesaria.
El schema como ayuda al análisis, no como palanca de citas. No esperes que añadir marcado FAQPage a una página que actualmente no recibe citas de IA de repente te vaya a dar citas. El contenido en sí mismo debe ser primero la mejor respuesta disponible.
El mecanismo que realmente funciona. Los datos de Ahrefs y la correlación de Kumar y Palkhouski apuntan al mismo principio subyacente: el schema ayuda cuando la estructura de contenido que describe es genuinamente clara, directa y orientada a responder preguntas. Un bloque FAQPage envuelto alrededor de respuestas vagas en prosa no ayuda. Un bloque FAQPage que describe con precisión cuatro pares de preguntas y respuestas concisos sobre un tema específico le da al motor exactamente lo que necesita para extraer una respuesta.
La señal en la parte superior de la página. Un análisis separado de Kevin Indig sobre 1,2 millones de respuestas de ChatGPT encontró que el 44,2% de las citas de ChatGPT procedían del primer 30% del contenido de una página. Ese hallazgo es específico de ChatGPT, no de las citas de IA en general, y debe atribuirse como tal. Pero refuerza un patrón consistente en múltiples estudios: el formato con la respuesta al inicio, donde la respuesta directa a la consulta aparece cerca de la parte superior de la página, supera a los formatos que construyen hasta una conclusión. El schema solo no soluciona un problema de estructura de página.
Herramientas que gestionan el schema para AEO
Si tu cuello de botella es generar y validar schema a escala, estas son las herramientas que los profesionales de esta categoría utilizan.
Otto SEO audita las páginas existentes en busca de lagunas de cobertura de schema y genera bloques JSON-LD en secciones del sitio. Está construido para equipos que ejecutan sprints de schema en grandes inventarios de páginas.
Surfer incluye validación de schema en su flujo de trabajo del Content Editor. Si estás escribiendo y optimizando contenido en la misma sesión, Surfer te permite confirmar que el schema está en su lugar antes de publicar.
HubSpot AEO Grader puntúa las páginas según su preparación para AEO, incluyendo datos estructurados. Es útil como diagnóstico si quieres una auditoría rápida de dónde falta o está mal formado el schema en un dominio.
Otterly.AI merece mención precisamente porque ejecutó el experimento de schema público más detallado de esta categoría y publicó los resultados, incluida la parte donde el schema no explicó el resultado. La plataforma Otterly.AI rastrea las apariciones en AI Overviews a lo largo del tiempo, lo que la convierte en una herramienta práctica para medir cualquier experimento de schema que realices en tu propio sitio.
Temso cubre el ciclo completo de AEO desde la generación de schema hasta el seguimiento de citas. Para equipos que quieren conectar la implementación de schema con el seguimiento de citas sin cambiar de herramienta, es una de las pocas plataformas que gestiona ambos extremos del flujo de trabajo a un precio fijo único.
Una comparación de estas y otras plataformas de AEO está en /rankings/aeo-tools. Los criterios de puntuación específicos de schema se explican en /methodology.
La lista de verificación práctica
Antes de ejecutar un sprint de schema esperando ganancias en citas, confirma:
- Tu contenido ya responde la consulta objetivo de forma más directa que las páginas actualmente más citadas. El schema aplicado a contenido más débil no supera al contenido más fuerte sin schema.
- Tu marcado de schema describe con precisión la estructura de contenido de la página. Un bloque FAQPage con preguntas que no coinciden con las respuestas en prosa que aparecen debajo es una discrepancia, no una señal.
- Tienes una línea de base de medición. El experimento de Otterly.AI es un modelo útil: rastrea las apariciones en AI Overviews antes, durante y después del despliegue, en al menos dos dominios competidores que no estén realizando cambios de schema, para que puedas distinguir un efecto del schema de uno algorítmico.
- Estás validando con el Rich Results Test de Google antes de publicar. El JSON-LD mal formado es lo suficientemente común como para que la validación no sea opcional.
- No estás tratando el schema como sustituto de una estructura de contenido con la respuesta al inicio. La señal de posicionamiento en la parte superior de la página del análisis de Indig sobre ChatGPT, el mecanismo de análisis de FAQPage y el hallazgo de Ahrefs sobre páginas ya citadas apuntan todos en la misma dirección: el contenido que hay debajo del marcado es la variable que mueve las tasas de citas de IA.
El /glossary tiene definiciones de cada tipo de schema mencionado aquí si necesitas un lenguaje de referencia preciso para un informe de equipo o un documento para partes interesadas.
El schema markup es infraestructura necesaria para el AEO. No es suficiente por sí solo, y la investigación no respalda actualmente una historia causal clara entre la adición de schema y las ganancias en citas. Construye el marcado correctamente, construye el contenido correctamente, y mide antes y después con un grupo de comparación. Esa es la versión honesta de una estrategia de schema en 2026.
¿Quieres ver qué AI Overviews estás perdiendo ahora mismo? Realiza una auditoría de citas en /rankings/aeo-tools para encontrar herramientas que rastreen tu cobertura de schema y tu tasa de citas de IA en Google AI Overviews, ChatGPT, Perplexity y otros motores simultáneamente.